Данные о высоком разрешении снежной глубины имеют большое значение для гидрологического моделирования и предсказания бедствий. В настоящее время данные о высоком разрешении снежной глубины обычно происходят из пассивных микроволновых данных, и их грубое пространственное разрешение все еще не может удовлетворить требования к исследованию региональной гидрологии и бедствий. В этом исследовании предложен обратный алгоритм для снежной глубины на основе данных пассивной микроволны и оптических данных, основанный на пространственной и временной частоте снега, чтобы откорректировать ESG, использовать глубокое обучение для связи сложных нелинейных отношений относительно температуры активного снега и ESG. обратно к ESG обратной обработке глубины, обработке данных после радиоизлучения снега (SMRT), используя данные станции Сяньцзян на севере для обучения и проверки модели, улучшение данных ESG использовало улучшение точности глубокой обработки данных и ее способность к стабилизации точности анализа. Мы находим: Улучшение RMSE ESG на 18% улучшает равновесие глубины, и на 15% уменьшает сильно. Наш анализ временных рядов находит ESG на трендах толщи примерно соответствует ESG, которое означает 6,82 см и 15% больше для модели, не добавляя ESG. Улучшение глубины снега. Анализ секвенции, найдете ESG, найденное в данных ESG, является 6,51 см, и улучшение точности распространения снега, которое отражает большое различие в большой глубине снега в горных районах. Это исследование - это ядро, чтобы показать улучшение SMRT и радиоизлучения снега с глубоким обучением для распределения низкой глубокой снега в региональной географии.

Глубина снега; Алгоритм уменьшения масштаба; Глубокое обучение; SMRT; AMSR 2; Дни снежного покрова